Antecedentes, limitaciones de los análisis previos y

En el capítulo 3 se estudiaba la relación existente entre determinadas variables que se entienden “fundamentales” en el análisis económico a efectuar; entre ellas, el nivel de la deuda pública y privada con respecto al PIB, la tasa de desempleo, la inflación, la prima de riesgo soberana (como una posible proxy de la confianza) y la capacidad de financiación de la economía.

La realización de las pruebas de raíces unitarias y cointegración permitió llevar a cabo la formulación de un primer modelo con las variables que se identificaron como no estacionarias y que de un modo u otro tenían relación con la marcha de la economía en general y en particular con la confianza medida a través de la prima de riesgo soberana. Este primer análisis contaba así con dos claras limitaciones:

- 175 _-

1. Una limitación de tipo conceptual.

Incorporaba variables relacionadas solo con aspectos que se podrían considerar de tipo cuantitativo o de contenido meramente económico.

Para paliar este inconveniente, en este capítulo se añaden al análisis dos variables estudiadas anteriormente: el ESI_Es y el VIX. Estos dos indicadores tienen en común que (cada uno en su ámbito y con sus características propias) recogen datos de tipo cualitativo de la economía, incorporando información del sentimiento o estado de opinión de los partícipes en la marcha económica del país, tanto con referencia a las perspectivas de los mismos a futuro como también sobre la situación presente.

La variable ESI_Es, presentada en el capítulo 1, funciona como un indicador de sentimiento de la economía, reflejando tanto la confianza o percepción que sobre la situación económica tienen los diferentes sectores de la misma, como las expectativas respecto a su evolución. Así, una mayor confianza en la economía del país debería de ser clave de cara a la marcha favorable de la economía en general, las expectativas de crecimiento y también, hipotéticamente, un menor coste de financiación del Estado a través de la deuda pública, incorporado en la denominada prima de riesgo soberana. Por el contrario, menos confianza en la economía debería asociarse con una evolución negativa de sus variables fundamentales y, también, con un mayor coste de financiación.

Por otra parte la inclusión del VIX, presentado en el capítulo 4, responde a la necesidad de incorporar una variable que informe acerca del estado de ánimo de los inversores, recogiendo de una forma indirecta el “sentimiento” de los que operan, en este caso, en el mercado de valores. En este sentido el VIX daría cuenta del estado de las expectativas puesto que incluye información sobre contratos a futuro.

- 176 _-

2. Una limitación metodológica.

Los análisis de cointegración llevados a cabo sobre los modelos de regresión propuestos en el capítulo 3 permitían únicamente utilizar variables con una raíz unitaria [I(1)], excluyendo aquellas que tuvieran un carácter estacionario [I(0)]101. En este sentido, y como se veía en el capítulo 2, la variable ESI_Es es una variable estacionaria, de modo que no se puede usar en las pruebas Engle- Granger (E-G) ni Gregory-Hansen (G-H) de cointegración. La incorporación en el estudio del análisis de bandas o test PSS dentro del contexto de un modelo de cointegración ARDL abre así la posibilidad de utilizar adicionalmente variables estacionarias, permitiendo usar aquellas que el investigador seleccione sin conocer previamente su orden de integración y por lo tanto, facilitando el empleo conjunto tanto de variables I(0) como I(1) que podrían contribuir a explicar mejor el funcionamiento de los “fundamentales” macroeconómicos de nuestro país. Este modelo permite además conocer el comportamiento a corto y largo plazo de las mismas, estimando la rapidez de ajuste a una situación de equilibrio.

De esta forma, la utilización del modelo ARDL para lograr los objetivos de nuestro estudio conlleva diferentes ventajas frente a otros métodos. Entre ellas cabe destacar las siguientes:

1. Va de lo general a lo particular102.

El modelo ARDL permite introducir todos los factores que a priori pueden influir en el comportamiento de una variable, para posteriormente indicar cuáles son relevantes y cuáles no. Un enfoque en el otro sentido, de lo particular a lo general, adolece de un grave defecto, dado que las especificaciones demasiado sencillas suelen

101 _{Como se vió anteriormente, el concepto de estacionariedad en una serie implica que su media, varianza} y su autocovarianza (en los diferentes retardos) permanecen iguales sin importar el momento en el cual se midan (Gujarati y Porter, 2010).

102 _{El enfoque de lo general a lo particular se basa principalmente en el trabajo de Hendry y Ericsson} (1991).

- 177 _-

dar lugar a resultados erróneos. A este respecto, omitir variables relevantes es más grave que incluir variables irrelevantes (Johnston y Dinardo, 2001)103.

En este sentido, análisis excesivamente simplistas pueden obviar relaciones en una economía que se ha vuelto más globalizada y en la que los diversos agentes económicos toman decisiones influidos tanto por datos que hablan de la evolución de la economía en el pasado como por aquellos indicadores que reflejan de un modo u otro la confianza, sentimiento o percepción de la situación presente o a futuro, esto es, elementos de carácter más cualitativo o subjetivo.

2. Estudia las relaciones existentes entre las variables tanto en el largo como en el corto plazo a través de la estimación de un Modelo de Corrección de Error (MCE).

La presencia de shocks en la economía ha estado presente desde el comienzo del análisis económico, y disponer de modelos que permitan un análisis conjunto de los impactos a corto y a largo plazo es fundamental para lograr entender la evolución de determinadas variables.

Permite incluir como regresores tanto valores retardados de la variable dependiente, como valores actuales y retardados de una o más variables explicativas.El comportamiento de las variables y su impacto en otras puede no producirse de forma instantánea en el tiempo, siendo necesario contemplar su evolución a lo largo de un período. Por ello, se torna fundamental disponer de modelizaciones que permitan incorporar variables retardadas, tanto explicativas como explicadas. A este respecto, el ARDL es un modelo que incorpora la variable dependiente retardada, ajustando de una forma más precisa los resultados de la regresión. Por otra parte, este modelo permite analizar cuán importantes son los retardos de cada una de las variables, individualmente consideradas. En el caso concreto de este trabajo de investigación, dado que se dispone

103 _{La omisión de variables relevantes lleva asociada un sesgo de los coeficientes y una sobreestimación de} la varianza de las perturbaciones.

- 178 _-

de variables en formato trimestral, se considera un máximo de cuatro retardos (esto es, un máximo de un año) para analizar el grado de impacto de las mismas.

3. Permite utilizar conjuntamente variables que son estacionarias –I(0)– y otras no estacionarias –I(1)– sin necesidad de tenerlas definidas a priori.

Esta característica ha permitido incluir en el modelo la variable ESI_Es como

proxy de la confianza en España, así como el VIX, que como se pudo ver en los

capítulos 2 y 3, respectivamente, tenían la consideración de estacionarias.

Como ya se avanzó en la introducción, los modelos de cointegración utilizados en los capítulos precedentes obligaban a conocer previamente el grado de estacionariedad de las variables a utilizar con el objeto de no incluir ninguna que fuera estacionaria ni que incorporara más de una raíz unitaria. En este sentido, las variables ESI y VIX son variables I(0), con lo que en los modelos de cointegración empleados anteriormente no podían utilizarse. En un modelo ARDL se pueden por el contrario incorporar variables sin tener que saber si éstas son estacionarias o cuentan con una raíz unitaria. Adicionalmente se verá también que, una vez demostrada la cointegración de las mismas, incluso el grado de estacionariedad será indiferente de cara a llevar a cabo las pruebas de causalidad de Granger; lo cual, una vez más, facilitará el análisis.

4. Funciona con muestras pequeñas, a diferencia de otros procedimientos, como el de Johansen, que requieren muestras grandes para poder ser aplicados.

El modelo ARDL es válido y arroja resultados significativos con el tamaño muestral del presente trabajo de investigación. Asimismo, dicho modelo no es tan sensible como otros al número de observaciones de las que se dispone. Con relación a esto, se recordará que la muestra utilizada se compone de datos trimestrales que van del 4T de 1990 al 2T de 2012, lo cual supone un tamaño muestral de 87 datos. El modelo ARDL propuesto para esta muestra facilita de esta forma información válida y de él se

- 179 _-

pueden obtener resultados concluyentes respecto al comportamiento de las variables elegidas. Otros test, como el de Johansen por ejemplo, presentan limitaciones en su uso, requiriendo muestras de un tamaño muestral más elevado (superio a 100 datos).